NSL-KDD数据集是KDD99数据集的改进，可以作为有效地基准数据集，各机器学习算法可以在NSL-KDD数据集上进行入侵检测实验。 NSL-KDD数据集是KDD 99数据集的改进： 1、NSL-KDD数据集的训练集中不包含冗余记录，所以分类器不会偏向更频繁的记录； 2、NSL-KDD数据集的测试集中没有重复的记录，使得检测率更为准确。 3、来自每个难度级别组的所选记录的数量与原始KDD数据集中的记录的百分比成反比。结果，不同机器学习方法的分类率在更宽的范围内变化，这使得对不同学习技术的准确评估更有效。 4、训练和测试中的记录数量设置是合理的，这使得在整套实验上运行实验成本低廉而无需随机选择一小部分。因此，不同研究工作的评估结果将是一致的和可比较的。

kddcup-2015 2015年KDD杯-预测MOOC辍学 信息： ： 团队：ttllbb

KDD CUP99数据集：是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础。 UNSW_NB15数据集：是综合性的网络攻击流量数据集，包括训练数据和测试数据，被广泛应用于异常入侵检测。相比于KDD99和NSL KDD数据集更适合相关研究人员用于入侵检测系统的研究。

学生在数学问题上的表现（KDD 杯 2010） 该项目包含对来自 2010 年 KDD Cup 的数据集的一些数据科学应用，这是一项数据挖掘挑战。 挑战是根据学生与计算机系统“智能辅导系统”的交互日志来预测学生在数学问题上的表现。 更多信息可以在上找到。

GAM ⠀ ⠀ 使用结构化注意的图分类的PyTorch实现（KDD 2018）。 抽象的 图分类是许多不同领域中实际应用中的问题。 为了解决这个问题，通常会计算某些图统计信息（即图特征），以帮助区分不同类别的图。 在计算此类特征时，大多数现有方法都会处理整个图形。 例如，在基于图的方法中，处理整个图以获得不同图或子图的总数。 但是，在许多实际应用中，图可能会嘈杂，仅在图的某些区域内会出现区分模式。 在这项工作中，我们研究了基于注意力的图分类问题。 注意的使用使我们可以专注于图表中较小但内容丰富的部分，从而避免在其余图表中产生干扰。 我们提出了一种新颖的RNN模型，称为图注意力模型（GAM），该模型通过自适应选择一系列“信息”节点来仅处理图的一部分。 在多个现实世界数据集上的实验结果表明，即使我们的方法仅局限于部分图形，该方法在图分类中也可以与各种众所周知的方法竞争。 该存储库提供了G

smote的matlab代码kdd-cup-99-python 使用 python、scikit-learn 和 matplotlib 对原始 kdd cup 99 网络入侵检测数据集的 10% 子集进行分析和预处理。 线性可分性测试 使用 Convex-Hull 方法测试各种攻击类型的线性可分性。 正常类和两种最常见的攻击类型海王星和蓝精灵的船体边界之间的交集在前两个主成分的二维图中可视化。 这样就可以证明不同的攻击类别是非线性可分的。 使用 SMOTE 和 Cluster-Centroids 重采样 为了减轻预处理中描述的高级不平衡，将众所周知的重采样技术应用于原始数据集。 欠采样是通过使用 Cluster Centroids 方法实现的。 因此，数据基于聚类方法按相似性分组，总体目标是尽可能避免任何信息丢失。 过采样基于合成少数过采样技术 (SMOTE)。 在此技术中，点是从少数类中随机挑选的，并通过向它们附加 k 最近邻来综合丰富。 许可 版权所有 (c) 2019，Timea Magyar 保留所有权利。 如果满足以下条件，则允许以源代码和二进制形式重新分发和使用，无论是否修

KDD CUP98 的数据集，下面是数据集的部分数据： CONTROLN,TARGET_B,TARGET_D 3,0,0 6,0,0 9,0,0 11,0,0 16,0,0 19,0,0 20,0,0 23,0,0 24,0,0 25,1,25 28,0,0 29,0,0 30,0,0 31,0,0 33,0,0 34,0,0 35,0,0 36,0,0 39,0,0 42,0,0 44,0,0 45,0,0 47,0,0 49,0,0 50,1,10 57,1,8 58,0,0 59,0,0 61,0,0 62,0,0 63,0,0 64,0,0 68,0,0 69,0,0

数据挖掘导论小结

KDD Cup 1999数据集特征含义

KDD 2018 滴滴 tutorial。 -Challenges and opportunities in transportation AI --Overview of urban transportation --The emerging challenges in transportation AI -AI applications in transportation -Data and tools for transportation AI (15min)